論文の概要: Temporally-Sampled Efficiently Adaptive State Lattices for Autonomous Ground Robot Navigation in Partially Observed Environments

• arxiv url: http://arxiv.org/abs/2602.13159v1
• Date: Fri, 13 Feb 2026 18:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.442698
• Title: Temporally-Sampled Efficiently Adaptive State Lattices for Autonomous Ground Robot Navigation in Partially Observed Environments
• Title（参考訳）: 部分観測環境における自律型地上ロボットナビゲーションのための時分割型適応型状態格子
• Authors: Ashwin Satish Menon, Eric R. Damm, Eli S. Lancaster, Felix A. Sanchez, Jason M. Gregory, Thomas M. Howard,
• Abstract要約: 従来の自律型ナビゲーションアーキテクチャでは、地域移動プランナーが環境マップを消費し、ローカル移動プランナーが参照として使用する軌道を出力する。 我々は,現在生成されている軌道に対して,従来生成された軌道の更新および最適化されたバージョンを検討するために,TSEASL(Temporally-Sampiently Adaptive State Lattices)を提案する。 その結果、TSEASLを走らせる際には、ロボットがベースラインプランナーを走らせている場所と同じ場所に手動で介入する必要がなくなった。
• 参考スコア（独自算出の注目度）: 2.2188568806866287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to sensor limitations, environments that off-road mobile robots operate in are often only partially observable. As the robots move throughout the environment and towards their goal, the optimal route is continuously revised as the sensors perceive new information. In traditional autonomous navigation architectures, a regional motion planner will consume the environment map and output a trajectory for the local motion planner to use as a reference. Due to the continuous revision of the regional plan guidance as a result of changing map information, the reference trajectories which are passed down to the local planner can differ significantly across sequential planning cycles. This rapidly changing guidance can result in unsafe navigation behavior, often requiring manual safety interventions during autonomous traversals in off-road environments. To remedy this problem, we propose Temporally-Sampled Efficiently Adaptive State Lattices (TSEASL), which is a regional planner arbitration architecture that considers updated and optimized versions of previously generated trajectories against the currently generated trajectory. When tested on a Clearpath Robotics Warthog Unmanned Ground Vehicle as well as real map data collected from the Warthog, results indicate that when running TSEASL, the robot did not require manual interventions in the same locations where the robot was running the baseline planner. Additionally, higher levels of planner stability were recorded with TSEASL over the baseline. The paper concludes with a discussion of further improvements to TSEASL in order to make it more generalizable to various off-road autonomy scenarios.
• Abstract（参考訳）: センサーの制限のため、オフロード移動ロボットが動作している環境は、部分的にしか観察できないことが多い。 ロボットが環境中や目標に向かって移動すると、センサが新たな情報を認識すると、最適な経路が継続的に修正される。 従来の自律型ナビゲーションアーキテクチャでは、地域移動プランナーが環境マップを消費し、ローカル移動プランナーが参照として使用する軌道を出力する。 地図情報の変更による地域計画指導の継続的改訂により、地域プランナーに受け継がれる基準軌跡は、順次計画サイクルによって大きく異なる。 この急速に変化する誘導は、安全でないナビゲーション行動をもたらし、しばしばオフロード環境での自律走行中に手動による安全介入を必要とする。 この問題を解決するため,現在生成されている軌道に対して,従来生成されていた軌道の更新および最適化を考慮に入れた地域プランナー仲裁アーキテクチャであるTSEASL(Temporally-Sampiently Adaptive State Lattices)を提案する。 Clearpath Robotics Warthog Unmanned Ground VehicleとWarthogから収集された実際の地図データでテストしたところ、TSEASLを走らせると、ロボットがベースラインプランナーを走っていた場所と同じ場所に手動で介入する必要がなくなったことが判明した。 さらに、TSEASLをベースライン上で高レベルのプランナー安定性が記録された。 この論文は、様々なオフロード自律シナリオをより一般化できるようにするため、TSEASLのさらなる改善に関する議論で締めくくっている。

関連論文リスト

• Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
  GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。 Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
  論文  参考訳（メタデータ） (2026-03-13T05:42:18Z)
• ActLoc: Learning to Localize on the Move via Active Viewpoint Selection [52.909507162638526]
  ActLocは、一般的なロボットナビゲーションタスクのローカライズ精度を高めるためのアクティブな視点対応計画フレームワークである。 ActLocの中核となるのは、視点選択のために、大規模に訓練された注意ベースのモデルである。 ActLocは、単一視点選択における最先端の結果を達成し、完全な軌道計画に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-28T16:36:02Z)
• Hierarchical Reinforcement Learning for Safe Mapless Navigation with Congestion Estimation [7.339743259039457]
  本稿では,階層的強化学習(HRL)を利用した安全な地図レスナビゲーションフレームワークを提案する。 その結果,HRLに基づくナビゲーションフレームワークは静的シナリオと動的シナリオの両方で優れていることがわかった。 本研究では,物理的な検証実験を行うために,TurtleBot3ロボット上にHRLベースのナビゲーションフレームワークを実装した。
  論文  参考訳（メタデータ） (2025-03-15T08:03:50Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Risk-Aware Off-Road Navigation via a Learned Speed Distribution Map [39.54575497596679]
  本研究は,データから学習可能なロボットの速度のみに基づく,トラバーサビリティの新たな表現を提案する。 提案アルゴリズムは,ロボットが達成できる速度の分布を,環境セマンティクスと命令された速度に基づいて予測する。 数値シミュレーションにより,提案したリスク認識計画アルゴリズムが平均目標達成時間を短縮することを示した。
  論文  参考訳（メタデータ） (2022-03-25T03:08:02Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。